论文部分内容阅读
智能汽车自动驾驶技术是新一轮科技革命背景下的新兴技术,也是目前世界公认的汽车发展方向。智能汽车自动驾驶技术主要分为感知、定位、决策和控制四个模块,其中高精度地图在多个模块中均有重要作用。因此高精度地图是智能汽车产业链的核心一环,是智能汽车实现自动驾驶的必要支撑。传统的高精度地图数据采集多依赖于专用采集车,但由于采集车价格高昂导致无法大规模部署,所以获得的高精度地图的数据量和更新速度无法满足智能汽车的行驶需求。因此有人提出采用众包视频,即借助大量的道路车辆上摄像头获取的视频作为地图的数据来源,从而获得高精度地图。但面向众包视频的高精度地图处理是一个复杂的流程,其中一个关键技术是视觉SLAM算法,现有流程受限于视觉SLAM算法的性能。本文针对现有的面向众包视频的SLAM算法的不足,基于双目视觉SLAM基本理论,采用分布式SLAM架构,提出一种适用于智能汽车众包视频处理的SLAM算法,旨在充分利用同一区域内的众包视频的信息共享,更高效地构建更精准的点云地图,为构建高精度地图奠定基础。本文的主要研究内容包括:(1)阐述高精度地图的必要性,根据高精度地图的使用要求说明面向众包视频的SLAM算法的重要性。进而回顾了国内外的视觉SLAM研究现状,比较分析了集中式框架和分布式框架应用于众包视频处理的性能特点,确定了基于双目视觉的分布式SLAM算法作为处理智能汽车众包视频的技术方案。(2)通过分析视觉里程计、地图构建和回环检测三个子系统的算法流程,对基于双目视觉的SLAM算法基本理论进行研究。接着针对现有的面向众包视频的SLAM算法的不足,提出了适用于智能汽车众包视频的分布式SLAM算法框架。(3)针对智能汽车驾驶场景的特殊性,提出融合光流信息的车辆视觉里程计,详细分析了如何将光流信息用于特征匹配、特征点精选、外点剔除和位姿估计等环节,并对算法进行仿真分析,说明算法的可行性。(4)针对智能汽车驾驶场景的特殊性,分析经典的回环检测方法的局限性,引入基于深度卷积神经网络的分布式回环检测算法。接着以VGGNet为例介绍了卷积神经网络的基本概念,详细说明了用于回环检测的VLAD池化层。在此基础上引入NetVLAD网络,提出基于NetVLAD的分布式回环检测改进算法,通过分布式的框架高效准确地实现同一区域内的众包视频的回环检测。之后进行仿真分析,说明算法的可行性。(5)针对智能汽车众包视频的特殊性,分析了经典的地图构建算法的局限性,引入基于DGS的并行算法。接着将地图构建问题抽象为非线性方程求解,并证明上述方程可简化为两个线性方程求解。在此基础上,提出基于DGS的分布式地图构建改进算法,通过分布式的框架实现对不同视频的地图异步更新。之后进行仿真分析,说明算法的可行性。(6)在KITTI数据集上进行系统实验。实验结果表明,融合光流信息的车辆视觉里程计能有效提高位姿轨迹精度,从而提升了原有的视觉里程计,使之更适用于智能汽车的驾驶场景;分布式回环检测算法能高效准确地实现同一区域内的众包视频的回环检测,优于经典的基于视觉词典的分布式回环检测算法;分布式地图构建能对同一区域内的不同视频的地图进行异步更新,并保证算法的收敛性;分布式SLAM算法能通过众包视频间高效的信息共享提高位姿估计精度,且算法具有合理的通信开销,从而实现更高效更精准的点云地图构建。通过上述研究,验证了基于双目视觉的面向智能汽车众包视频的分布式SLAM算法的有效性,为构建高精度地图奠定基础,对智能汽车的应用推广有一定的实际意义和参考作用。